| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 短时交通流预测研究现状 | 第11-14页 |
| 1.2.1 短时交通流预测国外研究现状 | 第11-12页 |
| 1.2.2 短时交通流预测国内研究现状 | 第12页 |
| 1.2.3 短时交通流预测的常用方法及不足 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织架构 | 第15-18页 |
| 第2章 交通流数据相关理论 | 第18-26页 |
| 2.1 交通流的基本参数 | 第18-19页 |
| 2.2 交通流数据特点 | 第19-20页 |
| 2.3 交通流数据来源及数据预处理 | 第20-24页 |
| 2.3.1 交通流数据来源 | 第20-22页 |
| 2.3.2 交通流数据预处理 | 第22-23页 |
| 2.3.3 本文实验数据预处理 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于改进的SA-SVR预测短时交通流 | 第26-38页 |
| 3.1 支持向量机 | 第26-30页 |
| 3.1.1 机器学习理论 | 第26-28页 |
| 3.1.2 线性可分支持向量机 | 第28-29页 |
| 3.1.3 支持向量分类机 | 第29页 |
| 3.1.4 支持向量回归机 | 第29-30页 |
| 3.2 模拟退火算法研究 | 第30-33页 |
| 3.2.1 模拟退火算法 | 第30-31页 |
| 3.2.2 模拟退火算法寻优过程 | 第31页 |
| 3.2.3 模拟退火算法优缺点 | 第31-32页 |
| 3.2.4 模拟退火算法的改进 | 第32-33页 |
| 3.3 改进模拟退火算法的SVR参数优化 | 第33-35页 |
| 3.3.1 参数的选择对SVR性能的影响 | 第33-34页 |
| 3.3.2 改进模拟退火算法对SVR参数优化 | 第34-35页 |
| 3.4 改进模拟退火算法的SVR短时交通流预测模型 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 Spark环境下基于改进的SA-SVR预测短时交通流 | 第38-56页 |
| 4.1 云计算平台Spark | 第38-46页 |
| 4.1.1 Spark简介 | 第38-40页 |
| 4.1.2 Spark的组织架构 | 第40-42页 |
| 4.1.3 RDD简介 | 第42-43页 |
| 4.1.4 Spark基本工作流程 | 第43-44页 |
| 4.1.5 Spark的运行模式 | 第44-46页 |
| 4.2 大规模SVM训练算法 | 第46-49页 |
| 4.2.1 大规模SVM训练算法的停机条件 | 第46-47页 |
| 4.2.2 大规模SVM并行训练算法 | 第47-49页 |
| 4.3 Spark平台上大规模SVR训练算法 | 第49-53页 |
| 4.3.1 大规模SVR算法设计 | 第49-51页 |
| 4.3.2 Spark平台上并行SVR算法实现 | 第51-53页 |
| 4.4 Spark平台上SA-SVR短时交通流预测模型 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 实验与对比实验 | 第56-68页 |
| 5.1 参数优化的SVR短时交通流预测实验 | 第56-60页 |
| 5.1.1 实验平台 | 第56页 |
| 5.1.2 性能评价标准 | 第56-57页 |
| 5.1.3 RBF神经网络与支持向量回归机对比实验 | 第57-58页 |
| 5.1.4 参数优化的SVR模型对比实验 | 第58-60页 |
| 5.2 Spark平台上短时交通流预测实验 | 第60-65页 |
| 5.2.1 实验平台 | 第60-61页 |
| 5.2.2 单机与Spark平台上SA-SVR训练算法预测性能对比 | 第61-62页 |
| 5.2.3 单机与Spark平台上SA-SVR训练算法预测时间对比 | 第62-65页 |
| 5.3 本章小结 | 第65-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
